Sequential 順序模型 API - Keras 中文文檔
https://keras.io/zh/models/sequential/

Sequential 序貫?zāi)Ｐ?/h2>

序貫?zāi)Ｐ褪呛瘮?shù)式模型的簡(jiǎn)略版，為最簡(jiǎn)單的線性、從頭到尾的結(jié)構(gòu)順序，不分叉，是多個(gè)網(wǎng)絡(luò)層的線性堆疊。

詳見(jiàn)以下博客：
【tensorflow】Sequential 模型方法_電子生醫(yī)小白的博客-CSDN博客 https://blog.csdn.net/m0_53732376/article/details/117048515

編譯

在訓(xùn)練模型之前，我們需要配置學(xué)習(xí)過(guò)程，這是通過(guò)compile方法完成的，他接收這幾個(gè)參數(shù)：

compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None,weighted_metrics=None, target_tensors=None)

用于配置訓(xùn)練模型。

參數(shù)

• optimizer: 字符串（優(yōu)化器名）或者優(yōu)化器對(duì)象。詳見(jiàn) optimizers。
• loss: 字符串（目標(biāo)函數(shù)名）或目標(biāo)函數(shù)。詳見(jiàn) losses。
  如果模型具有多個(gè)輸出，則可以通過(guò)傳遞損失函數(shù)的字典或列表，在每個(gè)輸出上使用不同的損失。模型將最小化的損失值將是所有單個(gè)損失的總和。
• metrics: 在訓(xùn)練和測(cè)試期間的模型評(píng)估標(biāo)準(zhǔn)。通常你會(huì)使用 metrics = [‘a(chǎn)ccuracy’]。
  要為多輸出模型的不同輸出指定不同的評(píng)估標(biāo)準(zhǔn)，還可以傳遞一個(gè)字典，如 metrics = {‘output_a’：‘a(chǎn)ccuracy’}。
• loss_weights: 指定標(biāo)量系數(shù)（Python浮點(diǎn)數(shù)）的可選列表或字典，用于加權(quán)不同模型輸出的損失貢獻(xiàn)。
  模型將要最小化的損失值將是所有單個(gè)損失的加權(quán)和，由 loss_weights 系數(shù)加權(quán)。 如果是列表，則期望與模型的輸出具有 1:1映射。 如果是張量，則期望將輸出名稱（字符串）映射到標(biāo)量系數(shù)。
• sample_weight_mode: 如果你需要執(zhí)行按時(shí)間步采樣權(quán)重（2D 權(quán)重），請(qǐng)將其設(shè)置為 temporal。 默認(rèn)為None，為采樣權(quán)重（1D）。如果模型有多個(gè)輸出，則可以通過(guò)傳遞 mode 的字典或列表，以在每個(gè)輸出上使用不同的 sample_weight_mode。
• weighted_metrics: 在訓(xùn)練和測(cè)試期間，由 sample_weight 或 class_weight
  評(píng)估和加權(quán)的度量標(biāo)準(zhǔn)列表。
• target_tensors: 默認(rèn)情況下，Keras將為模型的目標(biāo)創(chuàng)建一個(gè)占位符，在訓(xùn)練過(guò)程中將使用目標(biāo)數(shù)據(jù)。相反，如果你想使用自己的目標(biāo)張量（反過(guò)來(lái)說(shuō)，Keras 在訓(xùn)練期間不會(huì)載入這些目標(biāo)張量的外部 Numpy 數(shù)據(jù)），您可以通過(guò) target_tensors 參數(shù)指定它們。它應(yīng)該是單個(gè)張量（對(duì)于單輸出 Sequential 模型）。
• kwargs: 當(dāng)使用 Theano/CNTK 后端時(shí)，這些參數(shù)被傳入 K.function。當(dāng)使用 TensorFlow
  后端時(shí)，這些參數(shù)被傳遞到 tf.Session.run。

可能出現(xiàn)的異常

• ValueError: 如果 optimizer, loss, metrics 或 sample_weight_mode 這些參數(shù)不合法。

與50位技術(shù)專家面對(duì)面20年技術(shù)見(jiàn)證，附贈(zèng)技術(shù)全景圖

總結(jié)

以上是生活随笔為你收集整理的【tensorflow】Sequential 模型方法 compile， model.compile的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。